大数据下基于深度学习的机电设备智能诊断理论与方法研究

Fault diagnosis plays an irreplaceable role in ensuring the safe operation of electromechanical equipment. Due to the great amount of the equipment monitored and the large number of the sensors for each equipment, massive data is acquired by the high sampling frequency after the long-time operation of equipment. Such massive data promotes the field of fault diagnosis to enter the era of big data, which brings new issues and challenges in the theories and methods of fault diagnosis. For instance, the data is big but fragmentary, the fault feature extraction relies on much prior knowledge and diagnostics expertise, and the diagnosis accuracy of the shallow diagnosis model is low. Therefore, the fault diagnosis of the electromechanical equipment in the era of big data is a frontier science problem driven by the engineering demands. Based on the idea of deep learning which is used for automatic feature extraction and non-linear mapping relationship fitting, this project aims to deal with the frontier science problem and studies the novel fault diagnosis theories and methods of the electromechanical equipment. These theories and methods include: the adaptive analysis for big data, automatic fault feature extraction, multi-label fault diagnosis with deep learning, and the intelligent expression of the recognized results, which aim at revealing the principle of the intelligent analysis and characterization of the electromechanical equipment big data, and addressing the mechanism of deep learning and intelligent recognition of multiple fault patterns. The research results of this project will provide the basic theories and the key techniques for the fault diagnosis of the electromechanical equipment in the era of big data, and further promote interdiscipline covering informatics, mechanics and mathematics.

故障诊断是保证机电设备安全运行的“杀手锏”。由于诊断的设备量大面广、每台设备测点多、数据采样频率高、设备服役历时长，所以获取了海量的诊断数据，推动故障诊断领域进入了“大数据”时代。面对海量数据，机电设备诊断理论与方法遇到了新问题与新挑战：数据大而不全呈“碎片化”、故障特征提取受制于人为经验、浅层诊断模型诊断精度低等。因此，大数据时代机电设备故障诊断是由工程需求驱动的前沿科学问题。本项目瞄准该问题，以自动特征提取、复杂映射关系拟合的深度学习思想为基础，研究机电设备智能故障诊断的新理论与新方法，包括大数据自适应解析、故障特征自动提取、多标记故障深度学习、识别结果智能表达等内容，旨在揭示机电设备大数据蕴含信息的智能解析与表征原理，阐述多故障模式的深度学习与智能识别机制。项目研究成果将为大数据时代机电设备智能诊断提供有价值的基础理论与关键技术，进而加深信息学、机械学、数学等多学科交叉融合。

本项目围绕大数据下机电设备故障诊断所面临的关键科学问题与研究难点，开展深度学习智能故障诊断理论与方法研究，为保障设备安全运行提供基础理论与关键技术。主要研究成果和创新点包括：（1）提出了面向机电设备不同数据类型的监测大数据质量保障技术，实现了“脏数据”的清洗以及缺失数据的恢复。（2）建立了无监督深度智能表征模型，揭示了大数据中故障信息的自适应表征机制；构建了机电设备故障深度智能诊断模型，阐明了监测数据与多标记设备健康状态之间的映射关系；提出了嵌入标签描述空间的复合故障智能诊断方法，描述了设备复合故障与单一故障间的语义转换规律；提出了不平衡故障智能诊断方法，解决了工程实际中故障样本远少于正常样本的智能诊断难点；建立了滤波核自适应加权更新、振动指标增强的深度智能诊断模型，克服了可用数据稀缺下的智能诊断应用难题。（3）提出了基于深度学习与迁移学习的机电设备故障迁移智能诊断技术，解决了大数据下故障标签数据稀缺、域不对称等迁移诊断问题，揭示了故障诊断知识的跨域迁移机制。（4）构建了基于深度学习的机电设备健康指标，建立了数模联动的剩余寿命预测模型，发现了设备健康状态衰退规律。（5）研发了大数据智能诊断平台，并在风电装备、水泥生产设备上推广应用。（6）出版英文专著1部；共发表有本项目资助号标注的期刊论文39篇、国际会议论文17篇；完成博士后出站报告1篇、博士学位论文2篇、硕士学位论文4篇；申请国际发明专利2项，授权国家发明专利20项，其中技术转让2项，获软件著作权2项；项目负责人雷亚国教授获2020年中国青年科技奖、2018年国家技术发明二等奖（第2）、2018年教育部青年科学奖（全国每年不超过10人）、2017年教育部自然科学一等奖（第1）等奖励、2020年国家杰出青年科学基金资助，入选科睿唯安全球高被引科学家、爱思唯尔中国高被引学者；合作单位负责人司小胜教授获2019年国家自然科学二等奖（第3）、2019年国家优秀青年科学基金资助。